[发明专利]基于物理约束的LSTM模型预测页岩油产量的方法

说明书

本发明提供一种基于物理约束的LSTM模型预测页岩油产量的方法，属于页岩油产量预测技术领域。该方法首先从油田区块获取实际动态生产数据，然后对样本数据集去噪，消除异常值，进行标准化和归一化处理，再将长短期记忆神经网络模型作为学习模型，并设置LSTM模型的结构，将神经网络模型的损失函数定义为数据项和控制方程之和，在添加物理约束的神经网络基础上对训练集进行训练，然后用测试集得到预测结果。该方法所设计的系统将能表征页岩油产量相关参数关系的物理方程带入到网络模型里，这种物理约束模型预测准确率及适应能力较强，计算速度快，可良好的解决页岩油产量预测问题，还可以校正储层的有效渗透率分布，更好的指导现场开发。

技术领域

本发明涉及页岩油产量预测技术领域，特别是指一种基于物理约束的LSTM模型预测页岩油产量的方法。

背景技术

页岩油已经成为当今非常规油气藏勘探与开发的热点，但页岩储层非均质性极强，其产量的预测有很大的不确定性。典型的曲线预测方法预测精度较低，因而考虑使用近年来兴起的深度学习模型对页岩油动态产量数据进行预测。深度学习模型是数据驱动的算法，大多数情况下，深度学习算法被认为是一个黑匣子，没有考虑任何先验知识，包括物理方程、经验公式等，然而很多情况下先验知识举足轻重，其所涉及的控制方程等可以快速地将深度学习过程引导到正确的解，并使其能够学习输入和输出之间的全部规则，并且可以有效去掉系统的非真实解。而单单从训练数据中训练出来的模型不能保证与工程问题相关的基本物理定律得到满足。

发明内容

本发明要解决的技术问题是提供一种基于物理约束的LSTM模型预测页岩油产量的方法。

该方法首先从油田区块获取实际动态生产数据，然后对样本数据集去噪，消除异常值，进行标准化和归一化处理，再将长短期记忆神经网络模型作为学习模型，并设置LSTM模型的结构，将神经网络模型的损失函数定义为数据项和控制方程之和，在添加物理约束的神经网络基础上对训练集进行训练，然后用测试集得到预测结果。

具体包括步骤如下：

(1)从油田区块获取实际动态生产数据，包括时间、位置坐标、压力和产量，将获取的实际动态生产数据作为神经网络模型的初始样本数据集；

(2)对步骤(1)中的初始样本数据集去噪，消除异常值；

(3)对步骤(2)中处理后的数据进行标准化和归一化处理，将去噪、标准化和归一化后的数据集定义为

(4)对步骤(3)中归一化后的样本数据集划分为训练集和测试集；

(5)将长短期记忆神经网络模型--LSTM模型作为学习模型，并设置LSTM模型的结构，包括模型的层数、每层神经元的数量、优化器类型和激活函数类型；

(6)将神经网络模型的损失函数定义为数据项和控制方程项之和；

(7)在步骤(6)添加物理控制方程约束的神经网络基础上对步骤(4)划分后的训练集进行训练；

(8)使用L2误差和决定系数R²作为评价指标对步骤(7)训练好的模型进行评价，验证模型的有效性；

(9)用步骤(8)验证得到的有效模型对测试集进行预测，从而得到页岩油产量的预测结果。

上述，在步骤(7)训练模型时通过优化器不断减小步骤(6)定义的损失函数直到模型训练结束，得到控制方程项中未知参数渗透率K的反演值，从而校正储层的储层渗透率分布特征。

其中，步骤(1)中获取的是36个月的动态生成数据，产量为36个月的日产量。

步骤(2)中首先根据实际经验和物理背景初步检验数据，删除缺省值，然后绘制数据集的正态分布图，正态分布公式如下：